深度｜Mercor之后，硅谷下一个百亿美金的数据平台独角兽会是谁？
输入“/”快速插入内容
深度｜Mercor之后，硅谷下一个百亿美金的数据平台独角兽会是谁？
深度｜Mercor之后，硅谷下一个百亿美金的数据平台独角兽会是谁？
用户4242用户42422025年12月9日修改
原创 Z Potentials Z Potentials2025年12月8日 10:41 北京
图片来源：Unsplash
导语
投资人正在急切地寻找下一个百亿级估值的引爆点。如果说过去两年，有一家公司一个刺激大家神经，那无疑是Mercor，它重新定义了LLM时代的数据基础设施。
这家成立不到三年、团队平均年龄仅22岁的初创公司，在新一轮融资中，估值一举突破100亿美元，成为AI基础设施赛道最年轻的百亿美金独角兽。这个数字，是它转型前估值的五倍。
硅谷看重Mercor的，远不止一个高效的人才市场，其真正的价值，在于它大胆尝试重构了 AI研发的生产关系 。Mercor精准地找到了其利基市场，并将这个时代最核心、最昂贵的三种关键要素—— 高阶人力、专用算力 与 数据资产 ——进行了平台化的深度整合与云化交付，成功构筑了“高阶人力+算力+数据”的新型生产范式。
当 Mercor 的故事被反复讲述，硅谷已经开始寻找下一个基础设施级机会。在这条路径上，一匹“黑马”闯入了硅谷的核心生态，并正以一种几乎不被外界察觉的方式迅速崛起——Lightwheel。在 Scale AI 入局、具身数据赛道加速洗牌的当下，Lightwheel选择了最垂直、也最“重”的仿真数据源作为起点，如今却反而掌控了世界模型与具身智能领域最核心的一层数据供给。一个新的三足鼎立格局正在逐步形成：Scale、Mercor以及 Lightwheel。
如果说 Mercor 重新定义了 LLM 时代的数据平台，那么问题正在被重新抛回到硅谷投资人面前—— 在通往世界模型与具身智能的下一阶段里，Lightwheel能否成为下个范式革命中新的的“基础设施底座”？
1. 硅谷的隐秘战场：两代数据基础设施独角兽的养成
硅谷过去十年的一个共性规律 ： 每一轮AI技术范式迁移，从计算机视觉（CV）到大型语言模型（LLM），最终都会在“数据层”沉淀出一次基础设施级的巨大机会。
这一轮由大语言模型驱动的技术革命，其核心竞争要素已经清晰：模型层决定能力上限，而数据层是驱动突破的核心燃料。 除了模型层存在大机会，数据层同样孕育着下一个基础设施级的平台机会 。 关键在于，谁能规模化地解决“高质量数据从哪里来”这一根本问题，谁就能掌握通向未来的钥匙。上一轮AI范式的赢家，正是专注于此的Scale AI，它已然证明了数据基础设施的巨大价值。
Scale AI最初的突破口，在于自动驾驶领域对数据标注的刚性需求。在CV和自动驾驶爆发的初期，最大的瓶颈并非算法，而是：市场上 没有足够多、足够便宜、足够标准化的标注数 没有足够多、足够便宜、足够标准化的标注数据 。 Scale AI的成功用“平台+标注工具+交付体系“模式，将分散的标注人力接入统一的软件平台，通过标准化工具链与网络化协作机制，将传统“数据外包”升级为可规模化、可管控的数据工业化流水线。这种模式不仅提升了数据生产的效率与一致性，更关键的是实现了质量可控的大规模交付。
之后，Scale AI迅速锁定了包括云厂商、头部自动驾驶公司以及顶尖AI实验室如OpenAI、Meta、微软在内的核心客户群，从而完成了从标注服务商到“AI训练数据基础设施平台”的关键跃迁——成为AI开发流程中不可或缺的一环。故事的结局众所周知，Meta以约148亿美元的价格收购了Scale AI 49%股份的收购。
随着LLM规模化（Scale Up）的技术演进，以及模型推理时代的到来，竞争的核心已从数据规模转向数据质量与多元性。这意味着，下一代AI基础设施的关键，在于能否规模化地解决高质量、专业化数据的持续供给问题。如果说Scale AI以工业化流程攻克了海量标准化数据的标注难题，成为上一代AI的基础设施；那么当下真正的战略高地，则在于系统化获取需要人类专业判断与领域知识的高阶数据。
这一转变，正催生出一个明确的 高价值利基市场 ： 即对高端、复杂、依赖专业智力的任务需求。而市场供给却存在显著断层——自建团队成本过高，传统外包模式又无法兼顾质量、速度与稳定性。因此，能够系统化提供高质量人工评估与反馈的能力，本身构成了一个具有高壁垒的战略性基础设施市场。
图片来源：Mercor
Mercor精准锚定了这一利基市场。凭借其在尖端人才招聘领域的深厚积累，Mercor构建了一个能够系统性汇聚全球AI研究员、领域专家与高阶自由职业者的平台网络。数据显示，Mercor如今管理着全球超过30000名合约工作者，将包括科学家、医生、律师、银行家和顾问在内的各领域专家。该平台的核心机制，在于将离散分布的专业智力，转化为可规模化调度、高质量交付的标准化服务。这使得全球最前沿的智慧，能以高效率、可扩展的方式，直接注入AI模型的训练、评估与关键对齐流程。
由此，Mercor实现了从“人才平台”到“智能生产力基础设施”的本质跃迁。它不再仅仅匹配岗位与人才，而是通过将高阶人力深度嵌入AI价值循环，演进为驱动模型性能突破的新一代数据基础设施。它也一跃成为AI基础设施赛道最年轻的百亿美金独角兽初创公司，集结了Benchmark、Felicis Ventures、General Catalyst、DST Global等硅谷顶级投资机构。已经实现$500M ARR服务了OpenAI、Meta、Google DeepMind等顶级AI实验室，并扩展至医疗、法律等领域。
随之，当我们展望AI的终极应用：进入并理解物理世界，一个更深层的“上限问题”随之浮现：如果说Mercor的成功公式是“人×人力密度”，那么，理解物理世界是否需要一种根本不同的范式？这是否预示着一个更庞大的基础设施平台机会？
2. Scale AI与Mercor之后，第三代数据平台长什么样？
眼前的游戏规则已发生根本性转变。 若想AI真正“像人一样理解世界”，不能再依赖对语言符号的概率预测，而必须构建一整套对物理现实进行感知、推理与模拟的新认知范式。这也决定了，多模态模型的演进，其终极目标绝非简单的“模态拼接”。它指向一个更触到本质的答案：世界模型（World Model）。新的共识已在硅谷成形：定义并构建“世界模型”，成为人工智能下一个十年的决定性主战场。
历史是范式转型的最佳注脚。过去来看，数据基础设施的演进，清晰地分为两个时代：Scale AI以工业流程解决了标准化数据的规模问题；Mercor正以平台化机制，系统化地供给高阶智力数据。两者共同构成了数据基础设施演进的上下篇章。随着世界模型时代的到来，必然将催生与之匹配的“第三代数据基础设施平台公司”。
这也自然引出了一个更具前瞻性的问题： 这个即将诞生的数据平台机会，究竟长什么样子？支撑“世界模型”崛起的数据，将呈现何种前所未有的形态？
一个关键前提在于， 下一代数据平台的服务对象正在发生根本性转移 ： 它正从服务语言模型的“文本大脑”，转向服务世界模型的“认知大脑”。数据也不再只是用于训练机器对语言的理解与生成，而是开始承担起支撑机器理解物理世界、形成真实行为能力的底层燃料角色。
在这一前提之下，要定义下一代数据平台的形态，必须锚定三个核心维度：人力、技术与世界模型，并围绕它们回答三个关键问题： 谁在生产数据、生产什么样的价值数据？通过什么工具，才能实现数据的规模化与自动化生产？以及，在世界模型体系中，究竟什么才是“有效数据”？
从Scale AI与Mercor的成功实践中可以看到，这类平台的轮廓已经逐渐清晰： 它们正演化为一个通过标准化工具链与自动化流程，为构建世界模型持续提供规模化、结构化“物理经验燃料”的基础设施 。 其本质，不再是传统意义上的数据平台，而是一个 可编程、可扩展的“世界模拟练兵场” 。
由此也引出了一个关键判断：为世界模型提供燃料的数据革命，已经无法再依靠传统“人力堆砌”的方式完成。与语言模型不同，物理世界的数据不是静态文本，而是包含连续动作、因果反馈、环境变化与失败结果的高维交互过程。理解这一世界所需的数据量级与复杂度，早已超出人工标注与任务外包模式的可扩展边界。真正可行的路径，只能是 “ AI+高保真仿真（Simulation） ” 驱动的自动化生产范式——由算法不断生成、试错、验证，并在虚拟世界中完成大规模闭环迭代。
正是在这一新范式之下，一批全新的公司开始从传统数据产业之外生长出来。例如Lightwheel、MaxInsight、Xdof、Mecka，分别从仿真环境、合成数据、物理引擎、仿真到现实迁移等不同切口切入同一个核心命题： 如何为世界模型源源不断地提供可规模化、可复用、可验证的“物理经验数据” 。 这是世界模型范式下心的新基础设施层机会。
正是在这条被资本与技术同时推高的路径上， Lightwheel 走入了硅谷的视野中心。这家公司最早并未从最热闹的数据标注或人力平台切入，而是反其道而行之，从最垂直、也最重的仿真数据源起步，并在逐步成长为世界模型与具身智能所依赖的核心“底层数据基础设施核心平台”之一。 与多数仍停留在“单点工具”层面的玩家不同，Lightwheel从一开始就将目标锚定在更底层的能力构建上：不是简单替人“做数据”，而是通过仿真、AI Agents等技术体系，系统性放大人力资产的产出效率与边际价值。
如果说过去十年，Scale AI们解决的是“如何让机器更好地理解语言”，那么Lightwheel所面对的，则是一个更有挑战、也具长期价值的问题：如何成为世界模型变化演进中关键的数据基础设施平台。